摘 要：文章采用先进的神经网络技术，结合挤压机故障的特点，对挤压机故障诊断进行深入的剖析和研究，设计出一种安装使用方便、可靠性高的挤压机故障诊断系统。对保证生产安全、高效和经济运行具有重要意义。
　　关键词：故障诊断；神经网络；挤压机
　　1 引言
　　金属挤压加工是利用金属塑性压力成形的一种重要方法，其重要特点是将金属锭坯一次性完成成管、棒、型材的加工，这是其他任何方法无法相比的。挤压机是挤压加工生产线中的关键设备，决定着挤压车间的生产品种和能力。因此，对挤压机的故障诊断和及时排除故障对保证产品质量和生产进度显得尤为重要。即使是经验丰富的工人诊断设备的运行状态也无法与一套完整的设备状态监控系统的判断精度相比。一旦判断失误就会造成重大损失。为了提高挤压机可靠性、经济性，降低生产成本，提高设备的利用率，通过设备的状态监测与故障诊断技术，实现设备的“状态维修”就成为现代设备管理和维护的必然需要。
　　根据文献检索和现场事故调查结果， 发现挤压机发生故障的主要原因有以下几种情况：
　　（1） 现有的装置可靠性和系统保护功能差，对诱发事故发生的初期状态无有效的预测、预报措施。为了预防事故的发生， 挤压机采取定期检修的方法。计划检修的缺点是灵活性差，到检修时间挤压机没有故障，检修就会造成浪费；没有到检修期间挤压机却发生了故障，造成了停机或设备的损坏，损失更大。
　　（2） 大型挤压机结构复杂， 涉及到机、电、液等多个专业， 对设备维护管理人员的技术水平有较高的要求， 一般工作人员不易判断故障原因。WwW.11665.COm
　　（3）对挤压机的故障诊断机理和方法缺乏系统的研究， 有效实用的故障诊断措施较少。
　　因此， 对挤压机进行工况监测与故障诊断，可及时发现故障的早期征兆， 防患于未然。变定期维修或故障维修为预防维修， 提高设备维修管理水平， 特别是利用远程智能故障诊断系统， 可使一般人员也能完成复杂的故障诊断。挤压机的实时监测、保护和故障诊断是金属加工领域的重要课题之一。
　　为了解决以上问题，提出了一种基于bp神经网络模型的挤压机故障诊断系统。
　　2 bp神经网络模型
　　bp算法的基本思想：信号的正向传播与误差的反向传播组成了bp网络的学习过程，这一过程则通过正向传播和方向传播中各层权值的不断调整得以实现。目前采用bp算法的多层感知器的神经网络应用广泛，其中以具有3层感知器的单隐层网络为主。3层感知器包括输入层、隐层和输出层。其中输入层节点为故障征兆，输出层节点为故障原因。故障现象及结论组成训练学习的样本空间，通过训练学习已知样本层，确定网络结构，分析故障征兆，得出故障原因。神经网络系统具备高度非线性映射能力，是一个并行和分布式的网络信息处理结构。
　　3 挤压机故障诊断
　　输出结果与目标结果是一样的，验证了该网络的可行性及实用性。
　　参考文献
　　[1]魏军.金属挤压机[m]化学工业出版社，2006
　　[2]陈志巧，王成刚，王致杰. 矿井提升机故障智能诊断系统研究 [j]煤矿机械，2006，27（5）：14-15.
　　作者简介：于治福（1954-），山东日照人，东北大学硕士研究生毕业，河北工程大学机电学院教授，主持研究多项原煤炭部和河北省科技厅科学研究计划项目，发表论文30余篇。